基于对角切片谱的小波神经网络水下目标识别

目前水下目标识别技术识别率与实时性两难现状的解决,对舰船水下辐射噪声的正确提取具有实际意义。为了使水下目标识别更切合作战实际需要,在得到稳定、可靠的目标识别率的同时,实现高效与实时性,提出了基于对角切片谱的小波神经网络水下目标识别系统。系统充分利用高阶谱既能抑制高斯噪声又包含丰富识别信息的特点以及小波神经网络具有自适应、自学习以及逼近特性和自动收缩平移功能的优点,对三类舰船的实测数据进行仿真,结果表明,三类舰船目标的平均识别率达到90.4%,同时收敛速度也比普通神经网络提高16.9%,证明系统在水下目标识别中具有很好的应用价值。     

噪声向量模值最小的水声网络TDOA目标定位方法

由于水下环境的复杂性导致水声网络节点通常存在一定的漂移,从而引起网络节点自定位的不准确;又因为水下测距不准确导致TDOA测距中也存在一定的误差。以上两类前期噪声误差均会降低网络对目标定位时的精度。针对以上问题,本文提出一种基于噪声向量模值最小的高精度水声网络TDOA目标定位方法。该方法利用LS(least-squares)算法得到目标定位的初值,通过考虑节点自定位误差和TDOA测距误差对算法精度的影响,经过一系列转换得到目标函数,使得上述两种前期噪声误差对定位精度的影响达到最小;根据初值及目标函数,采用模拟退火智能优化算法得到目标位置。仿真结果表明:与WLS(weighted least-squares)算法、CTLS(constrained total least-squares)算法相比较,本文算法定位精度高且前期误差对算法性能影响小,鲁棒性强。     

移动水声异步网络自定位和时间同步联合的单向动态预测算法

节点位置的实时变化以及水下长传输时延等特性影响了移动水声异步网络(MUAANs)的时间同步与自定位精度。针对上述问题,该文研究并提出一种自定位和时间同步联合的单向动态预测算法。该算法通过建立时间同步与自定位联合的状态与观测模型,同时预测不同时刻下移动节点的位置信息与时钟差异,实现网络的联合位置跟踪与动态时间同步。与此同时,由于该算法仅采用节点间的单向信息传输即可实现自定位与时间同步,有效解决了由水下长传输时延导致的移动节点间双向信息交互时延差异的问题,提高了网络的自定位与时间同步精度和效率。仿真结果表明,该文所提算法可以高精度地联合预测移动水声异步网络的自定位与时间同步结果,且有效增强了网络的时间同步与自定位时间效率。